Радиомика при раке молочной железы: использование глубокого машинного анализа МРТ-изображений метастатического поражения позвоночника

Обработка изображений с использованием математических критериев (радиомика) позволяет более точно оценивать характер изменений под влиянием терапии, определять места максимального ответа. Полученные количественные данные при сопоставлении с клиническими могут выступать в качестве поддержки принятия решения врачом-рентгенологом.

Цель исследования — оценка возможностей программных операторов глубокого машинного анализа изображений метастатического поражения позвоночника при раке молочной железы.

Материалы и методы. В работе использовались данные МРТ трех пациенток с диагнозом «рак молочной железы T₂N_2–3M₁», получающих лечение в соответствии с принятыми клиническими протоколами. Метастазы в позвоночник были оценены рентгенологом и с помощью машинного анализа с использованием программного оператора «вариации Арцелы». Было проанализировано 12 МРТ-исследований (по 4 на каждую пациентку), не включая исходное, с периодом выполнения приблизительно 3 мес.

Результаты. Посегментно проанализирована структура метастатически измененного позвоночника в сагиттальной и аксиальной проекциях с использованием машинных операторов анализа изображений. Обнаружены быстрые изменения сложности изображений позвонков, позволяющие предполагать эффективность лечения по одному из трех параметров — стабилизация, улучшение, прогрессирование. Отслежены изменения структуры позвонков при положительном ответе на проводимое лечение в виде формирования костных объектов — кальдер, снижения циркуляции контрастного препарата на микроуровне, подтвержденные математическим анализом. Установлена корреляционная связь между обнаруженными изменениями и уровнем опухолевого маркера CA 15-3.

Заключение. Исследование показало высокую эффективностьиспользования алгоритмов машинного анализа изображений, хорошую корреляцию полученных результатов с заключением врача-рентгенолога и с клинико-лабораторными данными в 9 из 12 случаев, коэффициент корреляции Пирсона между классическим маркером и кривой матричного фильтра составил 0,8.

1. Cardoso F., Kyriakides S., Ohno S., Penault-Llorca F., Poortmans P., Rubio I.T., Zackrisson S., Senkus E., ESMO Guidelines Committee. Early breast cancer: ESMO Clinical Practice Guidelines for diagnosis, treatment and follow-up. Ann Oncol 2019; 30(8): 1194–1220, https://doi.org/10.1093/annonc/mdz173.
2. Tagliafico A.S., Piana M., Schenone D., Lai R., Massone A.M., Houssami N. Overview of radiomics in breast cancer diagnosis and prognostication. Breast 2020; 49: 74–80, https://doi.org/10.1016/j.breast.2019.10.018.
3. Сергеев Н.И., Котляров П.М., Солодкий В.А., Близ­нюков О.П. Метастатическое поражение костей при раке молочной железы по данным высокопольной магнитно-резонансной томографии. Вестник Российского научного центра рентгенорадиологии 2012; 12(1): 15.
4. Parekh V.S., Jacobs M.A. Integrated radiomic framework for breast cancer and tumor biology using advanced machine learning and multiparametric MRI. NPJ Breast Cancer 2017; 3: 43, https://doi.org/10.1038/s41523-017-0045-3.
5. Hardisty M., Gordon L., Agarwal P., Skrinskas T., Whyne C. Quantitative characterization of metastatic disease in the spine. Part I. Semiautomated segmentation using atlas-based deformable registration and the level set method. Med Phys 2007; 34(8): 3127–3134, https://doi.org/10.1118/1.2746498.
6. Chochia P.A., Milukova O.P. Two-dimensional variations comparison in the context of digital image complexity assessment. J Commun Technol Electron 2015; 60: 1443–1440, https://doi.org/10.1134/s1064226915120049.
7. Image processing. BOOFCV; 2021. URL: https://boofcv.org/index.php?title=Main_Page.
8. AlNouri M., Al Saei J., Younis M., Bouri F., Al Habash M.A., Shah M.H., Al Dosari M. Comparison of edge detection algorithms for automated radiographic measurement of the carrying angle. J Biomed Eng Med Imaging 2015; 12: 78–98, https://doi.org/10.14738/jbemi.26.1753.
9. Даниленко В.И. Симметрия и рак. Методология и морфогенез. Саарбрюккен, Германия: LAP LAMBERT Academic Publishing; 2017; с. 85.
10. Цориев А.Э. Опухоли позвоночника. Екатеринбург: УГМУ; 2021. URL: http://www.obtc.ru/spetsialistam/glavnyy- vneshtatnyy-spetsialist-po-luchevoy-i-instrumentalnoy- diagnostike/tsoriev_opuholi.pdf.
11. Di Gioia D., Stieber P., Schmidt G.P., Nagel D., Heinemann V., Baur-Melnyk A. Early detection of metastatic disease in asymptomatic breast cancer patients with whole-body imaging and defined tumour marker increase. Br J Cancer 2015; 112(5): 809–818, https://doi.org/10.1038/bjc.2015.8.
12. Najafi M., Mortezaee K., Ahadi R. Cancer stem cell (a)symmetry & plasticity: tumorigenesis and therapy relevance. Life Sci 2019; 231: 116520, https://doi.org/10.1016/j.lfs.2019.05.076.
13. Сергеев Н.И., Котляров П.М., Нуднов Н.В. Оценка результатов химиолучевого лечения вторичного поражения костей по данным магнитно-резонансной томографии с динамическим контрастным усилением. Лучевая диаг­нос­тика и терапия 2013; 3(4): 89–92.
14. Петрова А.Д. Оценка эффективности лекарст­венного лечения метастазов в костях у больных раком молочной железы. Дис. … канд. мед. наук. М; 2014.
15. Steinhauer V., Steinhauer L. Neuroph und DL4J. Einsatz in einer medizinischen Java-Anwendung. Java Magazin 2021; 06: 79–82.

Steinhauer V., Sergeev N.I. Radiomics in Breast Cancer: In-Depth Machine Analysis of MR Images of Metastatic Spine Lesion. Sovremennye tehnologii v medicine 2022; 14(2): 16, https://doi.org/10.17691/stm2022.14.2.02